Python 爬蟲爬取微信文章
- 2020 年 1 月 9 日
- 筆記
爬取公眾號文章
搜狗微信平台為入口 地址：http://weixin.sogou.com/
————————————————————–
搜索關鍵詞「科技」對比網址變化情況
查看網址http://weixin.sogou.com/weixin?type=2&query=%E7%A7%91%E6%8A%80&ie=utf8&s_from=input&_sug_=y&_sug_type_=&w=01019900&sut=1942&sst0=1528078622302&lkt=1%2C1528078622200%2C1528078622200
查看下一頁的網址http://weixin.sogou.com/weixin?query=%E7%A7%91%E6%8A%80&_sug_type_=&sut=1942&lkt=1%2C1528078622200%2C1528078622200&s_from=input&_sug_=y&type=2&sst0=1528078622302&page=2&ie=utf8&w=01019900&dr=1
查看第三頁網址http://weixin.sogou.com/weixin?query=%E7%A7%91%E6%8A%80&_sug_type_=&sut=1942&lkt=1%2C1528078622200%2C1528078622200&s_from=input&_sug_=y&type=2&sst0=1528078622302&page=3&ie=utf8&w=01019900&dr=1
————————————————————-
對比上面網址 看到type=2，page=頁碼，quary=關鍵詞
http://weixin.sogou.com/weixin?type=2&quary=關鍵詞&page=頁碼
測試http://weixin.sogou.com/weixin?type=2&quary=科技&page=2 訪問正常與上面第二個頁面網址打開的內容一致，也就是說簡化的網址能正常訪問
接着查看頁面源代碼，分析裏面的文章鏈接，並測試鏈接是否為正是鏈接（鏈接編碼是否一致）
<a data-z="art" target="_blank" id="sogou_vr_11002601_img_0" href="http://mp.weixin.qq.com/s?src=11×tamp=1528081388&ver=917&signature=qZMxpmvj4qn3CzMqGDpjC*GUmFni2E5rsy7kzRZmWSePCsFB5-EgQ4cZHzLaWrpHrtnz75U9mp85NkOS4VSzZwv-e8FZAGS1SoifHUdKstjiW7REiiv3ZKdk*-Q8xBZu&new=1" uigs="article_image_0"><i></i><img src="http://img01.sogoucdn.com/net/a/04/link?appid=100520033&url=http://mmbiz.qpic.cn/mmbiz_jpg/qV0mcHxAh1C5y2oDjZElicU9upoxrMsoBb8uzDspe62fMibIggVIUCLfwep8gc6IDCUuiab1XdmgiajxxtmMwrHOYg/0?wx_fmt=jpeg" onload="resizeImage(this,140,105)" onerror="errorImage(this)"></a>
構造提取規則pat='<a data-z="art".*?(http://.*?)"'
根據規則提取到的鏈接為：
http://mp.weixin.qq.com/s?src=11×tamp=1528081388&ver=917&signature=qZMxpmvj4qn3CzMqGDpjC*GUmFni2E5rsy7kzRZmWSePCsFB5-EgQ4cZHzLaWrpHrtnz75U9mp85NkOS4VSzZwv-e8FZAGS1SoifHUdKstjiW7REiiv3ZKdk*-Q8xBZu&new=1
用瀏覽器打開此連接錯誤，說明提取的鏈接不能直接打開，鏈接內容與真實鏈接有差異，
用前面的頁面上直接點開文章，查看真實鏈接
https://mp.weixin.qq.com/s?src=11×tamp=1528081388&ver=917&signature=qZMxpmvj4qn3CzMqGDpjC*GUmFni2E5rsy7kzRZmWSePCsFB5-EgQ4cZHzLaWrpHrtnz75U9mp85NkOS4VSzZwv-e8FZAGS1SoifHUdKstjiW7REiiv3ZKdk*-Q8xBZu&new=1
對比發現兩個鏈接的差異在於有沒有「amp；」，所以去掉這個就可以得到真實鏈接
可以用url.replace("amp;","")去掉對應的多餘字符
在文章頁面中需要提取標題和文本內容
經過頁面源碼分析 用下面規則提取相應內容
titlepat='var msg_title = "(.*?)";'
contentpat='id="js_content">(.*?)id="js_sg_bar"'
下面上代碼，代碼中的IP代理是注釋掉的，用免費IP代理很難成功，大多數地址不能正常使用，為了防止微信屏蔽本機地址，所以，加入處理時間等待time.sleep()。
#!/usr/bin/env python # -*- coding: utf-8 -*- import re import urllib.request import time import urllib.error ##模擬瀏覽器安裝headers headers=("User-Agent","Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/65.0.3325.181 Safari/537.36") opener=urllib.request.build_opener() opener.addheaders=[headers] urllib.request.install_opener(opener) ##設置列表用於存儲鏈接 listurl=[] ##定義代理服務器函數 #def use_proxy(proxy_addr,url): # try: # import urllib.request # proxy=urllib.request.ProxyHandler({'http':proxy_addr}) # opener=urllib.request.build_opener(proxy,urllib.request.HTTPHandler) # urllib.request.install_opener(opener) # data=urllib.request.urlopen(url).read().decode('utf-8') # data=str(data) # return data # except urllib.error.URLError as e: # if hasattr(e,"code"): # print(e.code) # if hasattr(e,"reason"): # print(e.reason) # time.sleep(10) # except Exception as e: # print("exception"+str(e)) # time.sleep(1) ##定義獲取頁面所有文章鏈接 def getlisturl(key,pagestart,pageend): try: page=pagestart keycode=urllib.request.quote(key) # pagecode=urllib.request.quote("&page") for page in range(pagestart,pageend+1): url="http://weixin.sogou.com/weixin?type=2&query="+keycode+"&page="+str(page) data1=urllib.request.urlopen(url).read().decode('utf-8') data1=str(data1) listurlpat='<a data-z="art".*?(http://.*?)"' listurl.append(re.compile(listurlpat,re.S).findall(data1)) time.sleep(2) print("共獲取到"+str(len(listurl))+"頁") print("第2頁鏈接數"+str(len(listurl[1]))+"個") return listurl except urllib.error.URLError as e: if hasattr(e,"code"): print(e.code) if hasattr(e,"reason"): print(e.reason) time.sleep(10) except Exception as e: print("exception"+str(e)) time.sleep(1) ##定義獲取文章內容 def getcontent(listurl): i = 0 #設置本地文件中的開始html編碼 html1 = ''' <!DOCTYPE html> <html> <head> <meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> <title>微信文章頁面</title> </head> <body> ''' fh=open("/home/urllib/test/1.html","wb") fh.write(html1.encode("utf-8")) fh.close() #再次以追加寫入的方式打開文件，以寫入對應文章內容 fh=open("/home/urllib/test/1.html","ab") for i in range(0,len(listurl)): for j in range(0,len(listurl[i])): try: url=listurl[i][j] url=url.replace("amp;","") data=urllib.request.urlopen(url).read().decode('utf-8') data=str(data) titlepat='var msg_title = "(.*?)";' contentpat='id="js_content">(.*?)id="js_sg_bar"' title=re.compile(titlepat).findall(data) content=re.compile(contentpat,re.S).findall(data) #初始化標題與內容 thistitle = "此次沒有獲取到" thiscontent= "此次沒有獲取到" #如果標題列表不為空，說明找到了標題，取列表第0個元素，即此次標題賦給變量thistitle if (title!=[]): thistitle = title[0] if (content!=[]): thiscontent = content[0] #將標題與內容匯總賦給變量dataall dataall = "<p>標題為:"+thistitle+"</p><p>內容為："+thiscontent+"</p><br>" fh.write(dataall.encode('utf-8')) print("第"+str(i)+"個網頁第"+str(j)+"次處理") time.sleep(1) except urllib.error.URLError as e: if hasattr(e,"code"): print(e.code) if hasattr(e,"reason"): print(e.reason) time.sleep(10) except Exception as e: print("exception"+str(e)) time.sleep(1) fh.close() html2='''</body> </html> ''' fh=open("/home/urllib/test/1.html","ab") fh.write(html2.encode("utf-8")) fh.close() key="科技" #proxy="122.114.31.177:808" pagestart=1 pageend=3 listurl=getlisturl(key,pagestart,pageend) getcontent(listurl)
執行結果正常：
生成1.html 用瀏覽器打開，可以看到沒提取的多篇文章內容
現在代碼可以直接使用的（2018-06-03）
隨着時間推移，由於頁面源碼常會出現變化，正則匹配常常需要自行分析，參考上面代碼，調整正則表達式，即可提取內容。
